關(guān)鍵詞：碳匯分析；微波遙感；生物量；極化分解

前言

隨著氣候變化問題日益引起全球關(guān)注，林業(yè)作為碳匯的作用愈發(fā)被重視。準(zhǔn)確監(jiān)測(cè)森林地區(qū)的林地上生物量對(duì)于評(píng)估碳儲(chǔ)存量、制定應(yīng)對(duì)氣候變化的政策以及管理可持續(xù)林業(yè)發(fā)展策略具有重要意義。然而，傳統(tǒng)的林地生物量監(jiān)測(cè)方法多依賴實(shí)地測(cè)量，勞動(dòng)強(qiáng)度大且效率低下。因此，急需一種可以大范圍、高效率地獲取森林生物量信息的技術(shù)。微波遙感，特別是極化合成孔徑雷達(dá)（Synthetic Aperture Ra-dar，SAR）遙感因能穿透云霧、多種極化信息以及全天候工作的能力，為監(jiān)測(cè)森林生物量提供創(chuàng)新的解決方案。極化分解技術(shù)作為分析穿透森林冠層的微波后向散射信號(hào)的關(guān)鍵工具，被用來提取森林結(jié)構(gòu)信息，而Freeman二分量分解技術(shù)，尤其適用為估算林地生物量提供堅(jiān)實(shí)基礎(chǔ)。由于估算過程涉及大規(guī)模、高維度數(shù)據(jù)的處理，傳統(tǒng)的分析方法面臨諸如維度災(zāi)難和高共線性等挑戰(zhàn)。為克服這些挑戰(zhàn)，研究以塞罕壩機(jī)械林場(chǎng)為監(jiān)測(cè)區(qū)域，目的在于探討結(jié)合微波極化遙感技術(shù)與先進(jìn)數(shù)據(jù)分析算法來監(jiān)測(cè)和估算該區(qū)域林地生物量的新方法。研究創(chuàng)新性地將隨機(jī)森林算法與遺傳算法相結(jié)合，提出新的算法，對(duì)塞罕壩機(jī)械林場(chǎng)的生物量進(jìn)行估算。

1基于微波遙感的林地生物量監(jiān)測(cè)研究

1.1研究區(qū)域概況

塞罕壩機(jī)械林場(chǎng)始建于1962年，地處河北省的最北部，內(nèi)蒙古高原渾善達(dá)克沙地南緣，地貌是界于內(nèi)蒙古熔巖高原和冀北山地間的高原臺(tái)地，屬于森林一草原交錯(cuò)帶，主要樹種有落葉松、樟子松、云杉、白樺等，是世界上最大的人工林場(chǎng)。林場(chǎng)地勢(shì)起伏較大，氣候?qū)儆诶錅貛Ъ撅L(fēng)氣候，年降水量較少，通過人工降雨等技術(shù)和自然的恢復(fù)力，實(shí)現(xiàn)荒漠化土地的綠化和改造，防止沙塵暴的侵襲。

1.2基于散射模型的極化分解方法研究

極化分解簡化雷達(dá)信號(hào)分析，忽略了散射路徑復(fù)雜性。分為相干與非相干：相干分解用于簡單環(huán)境，非相干則擅長處理多目標(biāo)。森林作為分布式目標(biāo)，側(cè)重于非相干分解?；谖锢砟Ｐ偷姆窍喔煞纸?，通過散射模型分析雷達(dá)數(shù)據(jù)，將T/C矩陣拆解為地物散射成分的線性組合，明確物理意義與比例權(quán)重。分類如體散射、螺旋體散射等，揭示地表物理屬性，為極化反射提供理論基礎(chǔ)。

Freeman二分量分解區(qū)分樹冠與地表散射，模擬復(fù)雜樹冠為多點(diǎn)散射，地表散射含二次反射與地表布拉格散射。樹冠用隨機(jī)圓柱體云層簡化，降低計(jì)算難度同時(shí)有效模擬森林雷達(dá)散射。該方法對(duì)林地雷達(dá)數(shù)據(jù)分析關(guān)鍵，助力提升森林監(jiān)測(cè)與管理效率。Freeman二分量分解的最終分解結(jié)果包括冠層散射功率及地面散射功率，冠層散射公式為式（1）：

1.3結(jié)合隨機(jī)森林算法與遺傳算法的林地生物量估算研究

隨著微波遙感極化圖像處理技術(shù)的發(fā)展，多種非相干極化分解技術(shù)在森林遙感中展現(xiàn)出潛力，但每種方法有其獨(dú)特性與局限性。針對(duì)高維低樣本量的森林遙感數(shù)據(jù)，直接增加分解結(jié)果可能加劇維度災(zāi)難，影響預(yù)測(cè)準(zhǔn)確性。為此，提出結(jié)合遺傳算法（Genetic algorithm，GA）與隨機(jī)森林（random forest，RF）的隨機(jī)森林遺傳混合（Random Forest GeneticMixing，RFGM）算法。

2基于微波遙感的林地生物量估算方法實(shí)驗(yàn)分析

2.1算法性能驗(yàn)證分析

逐步回歸模型是目前常見遙感圖像回歸分析方法，為驗(yàn)證提出的RFGM算法的可行性，對(duì)兩種算法的訓(xùn)練及測(cè)試結(jié)果進(jìn)行比較，兩種算法的訓(xùn)練集散點(diǎn)結(jié)果見圖1。

圖1（a）逐步回歸模型決定系數(shù)為0.416，調(diào)整后為0.365。逐步回歸模型的均方根誤差（Root meansquare error，RMSE）為21.176t/hm2，相對(duì)均方根誤差（Relative root mean square error， rRMSE）為26.61%。圖1（b） RFGM算法的決定系數(shù)為0.760，調(diào)整后為0.700。RFGM算法的RMSE值為19.20t/hm2，rRMSE值為22.43%，表現(xiàn)更優(yōu)。兩種算法的測(cè)試集散點(diǎn)結(jié)果見圖2。

圖2（a）與（b）對(duì)比顯示，逐步回歸模型（決定系數(shù)0.335，調(diào)整0.310，RMSE 26.615t/hm2，rRMSE 31.09%）的預(yù)測(cè)效果遠(yuǎn)低于RFGM算法（決定系數(shù)0.767，調(diào)整0.584， RMSE16.54t/hm2， rRMSE20.37%）。RFGM算法能捕捉數(shù)據(jù)變異，即便考慮復(fù)雜度，預(yù)測(cè)能力仍強(qiáng)。逐步回歸模型誤差大，非線性或交互效應(yīng)受限于處理復(fù)雜數(shù)據(jù)結(jié)構(gòu)的局限性。

2.2林地生物量估算結(jié)果分析

研究利用Freeman二分量分解，對(duì)塞罕壩機(jī)械林場(chǎng)的微波遙感圖像進(jìn)行散射分解，并確定特征子集及其重要性，結(jié)果見表1。

表1經(jīng)過Freeman二分量分解后，特征子集共11個(gè)，其中5號(hào)子集，B2_T23_imag特征子集的重要性最高，為0.413，3號(hào)子集，B1_T22特征子集的重要性最低，僅0.051。其余子集重要性均保持在0.150～0.400以下。將上述11個(gè)特征子集作為RFGM算法的輸入，對(duì)塞罕壩機(jī)械林場(chǎng)的生物量進(jìn)行估算，結(jié)果見圖3。

由圖3看到，塞罕壩區(qū)域地上生物量集中在115.09～180.49t/hm2，樹木是森林核心。精確測(cè)定此范圍生物量為理解碳庫功能提供數(shù)據(jù)支持，反映森林健康與碳吸收能力。在全球變暖背景下，評(píng)估森林生物量對(duì)氣候?qū)Σ咧陵P(guān)重要。塞罕壩森林對(duì)中國北方及全球碳平衡貢獻(xiàn)顯著。此數(shù)據(jù)還揭示生物量分布不均，體現(xiàn)生態(tài)與管理對(duì)資源的影響。

3結(jié)論

針對(duì)林業(yè)碳匯分析中的林地生物量監(jiān)測(cè)任務(wù)，提出創(chuàng)新性的監(jiān)測(cè)方法。利用Freeman二分量分解對(duì)塞罕壩機(jī)械林場(chǎng)的遙感圖像進(jìn)行處理，運(yùn)用組合隨機(jī)森林和遺傳算法的RFGM算法對(duì)生物量進(jìn)行估算。結(jié)果表明，RFGM算法在訓(xùn)練和測(cè)試集上均展現(xiàn)出較高的準(zhǔn)確性。訓(xùn)練中，保持較高水平的調(diào)整系數(shù)。該算法決定系數(shù)為0.760，調(diào)整決定系數(shù)為0.700，測(cè)試中調(diào)整系數(shù)有所下降，但也維持在較好的水平，決定系數(shù)為0.767，調(diào)整決定系數(shù)為0.584，且RFGM算法的rRMSE值僅20.37%，RMSE值為16.54t/hm2，證實(shí)在生物量監(jiān)測(cè)中的可行性與高效性。研究為林業(yè)碳存儲(chǔ)評(píng)估提供精確的量化手段，為制定應(yīng)對(duì)氣候變化的策略提供數(shù)據(jù)支持。